Pandas 教程

本实验指导你使用 pandas 库在 Python 中处理时间增量的过程。时间增量表示持续时间或时间差。我们将探索构建、操作和处理时间增量的不同方法。

本实验将指导你如何在 pandas 库中使用稀疏数据结构。这在我们有大量数据，其中大部分数据相似（如零或 NaN）的情况下非常有用，因此可以在内存中更有效地表示。我们将学习 SparseArray、SparseDtype、稀疏访问器、稀疏计算以及与 scipy 稀疏矩阵的交互。

在数据分析中，经常会遇到数据排列不符合我们需求的数据集。数据重塑指的是改变数据在行和列中的组织方式的过程。在本实验中，我们将探索 Pandas 中一些用于数据重塑的关键方法，包括透视（Pivot）、堆叠（Stack）、拆栈（Unstack）、熔化（Melt）、交叉制表、平铺（Tiling）、因式分解（Factorizing）和爆炸（Exploding）。

本实验介绍如何在 Pandas 中处理文本数据。我们将学习如何存储文本数据、使用字符串方法进行数据预处理和转换，以及使用正则表达式提取子字符串。我们还将学习如何为机器学习算法创建虚拟变量。

本实验将指导你完成在 Pandas 中使用 PyArrow 的过程，以扩展功能并提升各种 API 的性能。PyArrow 通过更广泛的数据类型、对所有数据类型的缺失数据支持、IO 读取器集成以及与其他数据框库的互操作性来增强 Pandas。

本实验重点介绍如何使用 pandas 将数据分析扩展到更大的数据集。它涵盖了诸如加载更少数据、使用高效数据类型、分块以及利用像 Dask 这样的其他库等方法。需要注意的是，pandas 更适合内存内分析，对于非常大的数据集可能不是最佳工具。

在本实验中，我们将探索 pandas 中的窗口操作，包括滚动窗口、扩展窗口和指数加权窗口。窗口操作对于在值的滑动分区上执行聚合很有用。

在本实验中，我们将学习如何处理 pandas 中的缺失数据，这是数据分析中常见的问题。我们将介绍如何识别缺失数据、填充缺失值以及删除不需要的数据。我们还将讨论 pandas 中可用于表示缺失值的实验性 NA 标量。

在本实验中，我们将探索如何在 pandas 中使用可空整数数据类型，这是一种处理可能包含缺失值的整数数据的有效方法。我们将学习如何使用这种数据类型构建数组、执行操作以及有效地处理缺失值。

本 Python Pandas 实验旨在向你介绍 pandas 库的基本操作，它是 Python 中一个强大的数据操作工具。在整个实验过程中，你将通过大量示例和代码片段来巩固对 pandas 的理解。

欢迎来到 Pandas 基础实验！在本实验中，我们将探索 Pandas 库的一些基本方面：DataFrame 的内存使用、处理 if/真值语句、使用用户定义函数 (UDF) 方法、处理 NA 值、与 NumPy 的差异以及线程安全注意事项。

在本实验中，我们将学习如何在 pandas 中处理重复标签。Pandas 是 Python 中一个强大的数据处理库。我们经常会遇到带有重复行或列标签的数据，了解如何检测和处理这些重复项至关重要。

Pandas 是一个强大的用于数据处理和分析的 Python 库。其基本数据结构 Series 和 DataFrame 使你能够存储和处理结构化数据。本实验将提供一份关于如何使用这些数据结构的详细指南，从创建到操作和对齐。

本实验提供了一份循序渐进的指南，用于理解和在 Python 的 Pandas 中实现写时复制（Copy-On-Write，简称 CoW）的概念。CoW 是一种优化策略，通过尽可能延迟复制来提高性能和内存使用效率。它还有助于避免意外修改多个对象。

在本实验中，我们将探索 Python 中 Pandas 库提供的可空布尔数据类型。我们将学习如何在索引和逻辑运算中使用此功能，以及由于存在'NA'值，它与传统布尔运算有何不同。

在本实验中，我们将向你介绍 Pandas 的基础知识，Pandas 是 Python 中一个强大的数据处理库。我们将指导你完成各种任务，例如导入 Pandas、创建和查看数据、数据选择、操作等等。

在本实验中，我们将探索如何使用 Python 的 Pandas 库来处理文本数据。你将学习如何使用各种内置的 Pandas 方法将字符串字符转换为小写、提取字符串的部分内容、替换字符串值等等。

在本实验中，我们将探索如何使用 sort_values、pivot、pivot_table 和 melt 等各种函数在 pandas 中重塑数据。我们将使用泰坦尼克号和空气质量数据集来演示重塑技术。